智能体该如何理解时间？——智能指标分析中的时间识别

在智能问数范畴之中，text2sql属于应用极为广泛的一项技术方向，其特性在于高度依赖数据库元数据，具备灵活性然而准确率令人担忧。而指标问数身为text2sql的一种特殊情形，所处理的并非杂乱无章的数据库原始数据，是以经过治理的数据模型作为基础，目标是达成更为精准的数据问答。指标问数对智能体更加友善，能够极大地简化问答的复杂程度。一般而言，指标问数需要解决指标识别、时间维度识别、业务维度识别、构建ｄｓｌ以及数据查询这五个问题。

Fabarta身为AI+的实践者，始终将企业智能化升级的核心需求当作导向，构建起了以数据为中心的AI能力体系。紧接着会有一系列文章，这些文章会结合在企业实践的业务案例，去介绍Fabarta的智能指标分析产品。而本文是从时间维度识别开始，来介绍Fabarta的智能指标分析产品的设计思路以及技术实践。

探索时间维度识别的业务场景

关于时间识别这方面，指标问数常存在这样一些复杂场景，有时间虚指这种情况，还有时间能上卷以及下钻的状况，另外就是时间对比之类的。

时间虚指所讲的是，用户查询的那个时间并非是一个确切的具体时间，或许得依据当下时间，去计算偏移量。时间上卷以及下钻讲的是，在指标建设期间，会依照不一样的时间粒度来计算指标。从细粒度朝着粗粒度，一般存在这几种：时日以及月份、季度、半年、年份这五种粒度。在不同的业务场景、用户习惯以及指标体系当中，用户所提出的问题会涉及到跨越时间粒度的查询，对于细粒度的指标，要查询其粗粒度的结构，这称作时间上卷。而对于粗粒度的指标，要查询其更为细粒度的结果，这称作时间下钻。数据的同环比、增长率、变化率等属于时间对比范畴，银行、金融等行业统计数据一般按t+1方式，这就要求AI能够识别用户问题里查询的具体日期。

从业务实践的角度去看，用户于时间维度之中的表达方式是丰富多样的，下面便是一些典型的代表，并且是具有代表性的存在：

对这些场景归类：

设计有效的DSL是解决问题的核心

Fabarta智能指标分析具备强大的数据处理能力，具备强大的分析能力，能够领会用户提出的问题，能够把用户的问题转变成查询语言也即DSL也就是Domain Specific Language，之后经由指标语义层进行转换，把DSL翻译为SQL，在此基础上查询出期望的数据。

所以，去设计恰当合适的DSL，这是解决时间维度识别的钥匙关键点，在于DSL里跟时间维度相关联的存在着：

在Fabarta智能指标分析里，针对上述所提及的时间维度有关的场景以及dsl，由三个角色各异的智能体进行分工与协作，以此来识别用户问题当中的时间维度信息，其中包括时间范围识别，对比识别，聚合识别。

确定的计算不要交给不确定的LLM

在时间范围识别的这一步骤当中，智能体会对用户问题里所涉及到的起始时间以及结束时间展开识别。与此同时，为了能够减少大模型出现幻觉的情况，并且准确识别出基于当前时间的偏移量，我们运用了特殊变量加上结构化输出以及规则引擎驱动这样的方式，以此来识别准确的时间维度信息。这里存在着一个重要的思考点，那就是让大模型直接去计算日期的偏移是会产生幻觉的，即便明确地向大模型告知了当前的时间，大模型也不能够准确地给出x个月前或者n天前究竟是什么日期。特别地，选用特殊的变量，有益于减少大模型的运算量，削减模型幻觉。与此同时，规则引擎当中可针对特定日期变量配置各异的值，能够处理特殊业务里t+1类型的需求。

一个表达式里头支持好多对比方式，在时间对比这个环节，智能体会分辨用户的问题是不是涉及同环比，或者是不是特定日期的对比，接着给出不一样的输出。

最终，DSL里会辨认出用户查询之中全部的对比意图，通过一种数组的样式，去生成全部的对比dsl。

时间上卷和下钻比想象中要更复杂

在时间聚合的这一步骤当中，智能体为了能够判断用户所偏好的时间展示形式。在dsl里呀，智能体需要去识别用户提出问题时他们所期望的时间粒度（Day / Month / Quarter / Half_year / Year / Overall）。一旦用户期望的时间颗粒程度跟指标自身的时间粒度并不相同，那么智能体就会给出上卷以及下钻的判断：

时间粒度是用户期望的，它指的是用户希望最终回答里呈现出来的那种时间粒度。时间上钻呢，是依据指标的时间属性来进行的，这种聚合方式最多能给出两级时间上卷。具体来说，一级是指标从Day上卷到期望的粒度，另一级是从期望的粒度上卷到Overall，就是这两级的上卷操作。并且它支持按照SUM，AVG，MAX，MIN这四种不同的聚合方式去处理数据。时间下钻方面，如果用户期望展示更细小粒度的时间属性的数据，那么就会从指标库中去检索同一个指标的细粒度计算后的值，进而给出时间下钻之后的结果。

结语

弥合业务语言跟数据查询之间的鸿沟，这就是指标问数智能体具有的价值核心所在。借助自然语言交互，业务人员不用去掌握复杂的查询语法，也不用理解底层数据结构，就能高效地获取所需的指标分析结果。

在技术达成方面，我们借由多角色协同的架构，把繁杂的 DSL 生成职责，拆分成好多着重考察的子难题，每一个角色专门致力于 DSL 的一个层面，这不但削减了单个步骤的复杂程度，还凭借交叉验证，提升了总体的精确性以及稳健性，由于篇幅受限，这次阐述了时间维度辨认场景的技术规划以及业务实操。通过利用大模型结构化输出、规则引擎的确定性计算能力，在时间维度识别等关键场景里显著降低了幻觉问题，设计了完备的dsl结构，把各种复杂的用户问题转变为dsl描述语言，规避了text2sql所引发的业务不确定性，还增加了识别准确率。

当下，欢迎借助下方链接登录并申请试用Fabarta智能指标分析。随后将会有多期技术文章，这些文章会揭秘Fabarta指标智能分析产品，还请大家满怀期待地静静等候这一时刻的到来。https://fabarta.com/products/intelligent-index-analysis）

参考资料背景

在企业数字化建设里，指标系统身为重点的数据资产，将企业运作进程中的各类业务数据予以整合，涵盖生产、销售、财务、人力资源等各个关键环节 ，这些数据经由系统的整理、分析以及加工，转变成具有清楚指向性的指标，例如销售额增长率、生产效率提升率、客户满意度得分等 ，这些指标不但直观地展现了企业当下的经营状况，还能够助力企业决策者透过数据背后的现象，洞悉潜在的市场趋势、客户需求演变以及内部管理的不足之处。

不过，于企业里头，指标系统常常有着某种程度的复杂度，数据层级较深，数据关系繁杂错乱，通常得穿透多级指标或者维度方可定位数据变化的真切缘由。数据之间存有多种关联，像因果关系、相关性关系、层级关系之类，这些关系相互交缠在一起，从而致使单纯借助人工分析变得极其困难且效率不高。比如，一个企业的销售数据，有可能会受到产品质量的影响，也会受到价格的影响，还会受到市场推广的影响，同时会受到竞争对手策略的影响，以及宏观经济环境等多种因素的影响，这些因素彼此之间还会相互作用，进而形成一个复杂的网络。在这样的情形之下，传统的数据分析方法常常难以快速且准确地定位问题的根源。

指标问数智能体

此刻，把智能体予以引入便彰显出特别的重要意味来。Fabarta给出了智能指标剖析，指标智能体依靠其强悍的数据处理本领与分析本领，能够领会用户的问题，并且把用户的问题转变为查询语言（DSL，即领域特定语言），迅速地在海量数据里边开展数据挖掘以及分析。举例来讲，智能体能够明白“贷款余额较同期”之中的时间与意图，分辨出这是一个查询当下贷款余额以及同比的问题，在指标库里精确地查询到期望的结果。

若用户期望知晓致使贷款余额上升的具体因素是哪些，智能体可剖析各个影响因素的变化率以及贡献度，寻得影响指标的具体因素。

由上述例子能够看出，智能体可以理解用户提出的问题，把输入的信息转变为特定的查询内容，对查询结果予以分析，给出分析以及总结等，给企业的决策供给有力的支持。另外，借助智能体还能够实时监测数据的变化，一旦察觉到异常波动，便能够立刻触发预警机制，并且自动启动数据分析流程，迅速找出问题所在之处，极大地提升了企业的运营效率与决策的及时性。借助AI智能体予以的辅助，企业可以更妥善地面对数字化转型进程里碰到的各类繁杂数据问题，达成更具智能化、更显高效化的运营管理。

技术方案

能够进行智能处理的主体涵盖五个重点核心组成部分，分别是，对用户所提出的问题予以辨别，去搜寻相关指标，生成特定的领域特定语言，查找指标所对应的结果，进而给出经过分析后得出的结论。

在这五个过程里面，最为关键的一步便是生成指标查询的 DSL ，DSL 是指处于某些特定领域范围之内的查询语法 ，在指标问答智能体当中 ，我们达成了一套指标 DSL ，它可以达成多种指标查询语法 ，涵盖了 ，包括。

依据DSL语法规则的智能体，将用户输入问题的意图予以拆解、分析，结合历史对话以及提示词，给出恰当的检索式，于指标系统里执行该检索式，查询出用户所期望的数据，再由大模型对数据进行润色与总结。

在实现指标问答智能体的过程中，有四点核心的设计理念：

相关标签： # 智能指标分析 # 时间维度识别 # 指标问数 # DSL生成 # Fabarta